ReAct 模式详解：推理与行动如何让 AI 更智能

---

关键词

ReAct模式 | 大语言模型(LLM) | 具身智能 | 思维链(Chain of Thought, CoT) | 推理-行动协同 | 工具使用(Agent Tooling) | 强化学习(RL)

---

摘要

当你向一个传统大语言模型(LLM)提问：“现在（假设提问时间为202X年X月X日X时X分）北京故宫博物院今天的开馆时间和门票预约剩余量分别是多少？”时，你大概率会得到一句礼貌但无用的道歉——“抱歉，我的知识截止到202X年Y月Y日，无法获取实时信息”；或者更糟糕，得到一段基于训练数据中过时规则（比如“旺季8:30开馆，淡季9:00开馆”）但完全不符合当前调休政策的胡编乱造信息。

那如果给这个大语言模型装上“眼睛”（能访问网页API、知识库的接口）、“手”（能操作浏览器、数据库、计算器的能力），再教它一套“先想再做、做完再想”的方法论呢？这就是今天我们要深度剖析的ReAct模式（Reasoning + Acting，推理与行动协同模式）。

ReAct模式是由普林斯顿大学、Google DeepMind和Google Research在2022年10月联合发表的论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出的革命性范式。它打破了传统LLM“纯静态推理生成”和纯强化学习(RL)智能体“纯无理由试错行动”的二元对立局面，让LLM既能像哲学家一样“内省式思考”（生成清晰的推理步骤、反思中间结果），又能像探险家一样“外向式探索”（调用外部工具获取实时/动态/专业信息、执行环境交互动作），最终实现“可解释、可校正、信息准确、能力泛化”的智能决策与任务执行。

本文将以 “用户购买故宫门票遇到问题的ReAct智能助手全流程案例” 为主线，贯穿所有核心章节，通过生活化类比+一步步思考推理+数学模型推导+完整Python代码实现+Mermaid架构图/流程图/ER图+行业发展对比+最佳实践建议的方式，彻底搞懂ReAct模式的“前世今生”“核心原理”“落地细节”“未来方向”。

---

正文部分

---

1. 背景介绍：纯推理vs纯行动的“天花板困境”，催生ReAct的协同革命

核心概念

纯静态推理LLM | 纯无理由试错RL智能体 | 天花板困境 | 推理-行动协同 | 自然语言控制的具身智能

问题背景

让我们先穿越到ReAct论文发表前的2021-2022年初，看看当时AI领域最火的两个方向——大语言模型的推理能力和强化学习的环境交互能力——各自走到了什么“天花板”。

1.1 纯静态推理LLM的“静态知识诅咒”与“幻觉梦魇”

从2020年GPT-3问世，到2022年GPT-3.5（论文发表时尚未正式命名，但内部已存在类似模型）、PaLM、LaMDA等模型的涌现，大语言模型在自然语言理解(NLU)、自然语言生成(NLG)、知识问答(KQA)、代码生成(Codex)、文本摘要/翻译等“静态知识+纯文本推理”任务上取得了前无古人的成绩——甚至能通过律师资格考试、MBA入学考试、编程竞赛的入门/中级题目。

但就在大家欢呼“通用人工智能(AGI)的曙光就在眼前”时，两个无法回避的致命缺陷暴露了出来：

1.1.1 静态知识诅咒：无法获取实时/动态/外部知识

大语言模型的所有知识都来自预训练阶段（一般截止到某一固定时间点，比如GPT-3截止2021年9月，GPT-4截止2023年4月，PaLM截止2022年4月），预训练结束后它就像一本封死在玻璃柜里的百科全书——你只能看柜里有的内容，柜外的（比如今天的天气、股票价格、新闻、某个电商平台的最新商品价格、故宫博物院今天的调休开馆时间、某个科研论文数据库里202X年刚发表的论文）它根本看不见、摸不着。

举个生活化的例子：假设你是一个只会背2020年北京旅游手册的导游机器人，游客问你：“明天（202X年10月1日，假设手册上没写国庆黄金周故宫的预约规则调整）我想去故宫参观，应该几点预约门票？今天（假设提问时间是202X年9月30日23:00）还能约明天的票吗？”——你要么直接说“抱歉，我的手册截止2020年，无法回答”，要么凭着手册上过时的信息（比如“提前10天0点放票，当天不可预约”）胡编乱造——这就是静态知识诅咒。

1.1.2 幻觉梦魇：推理过程不透明，容易生成虚假/无意义/自相矛盾的信息

纯静态推理LLM的另一个致命缺陷是**“黑箱式推理”：它生成的最终答案看起来逻辑自洽，但中间的推理步骤要么完全不存在（直接给出答案），要么虽然通过思维链(Chain of Thought, CoT)提示词技术生成了，但这些推理步骤可能是“假思考”**——它是为了迎合最终答案而编造的，而不是真正“一步一步推导出来的”，甚至推理步骤本身就充满了虚假信息。

思维链(CoT)提示词技术是2022年1月Google Research发表的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中提出的，它的核心思想是：给LLM一个包含“问题-推理步骤-最终答案”的示例，然后让LLM在回答新问题时，也先生成推理步骤，再给出最终答案——这确实能大幅提升LLM在复杂数学题、逻辑题、常识题上的准确率（比如在GSM8K小学数学题数据集上，准确率从17.9%提升到58.1%）。

但CoT并没有解决幻觉问题，反而在某些情况下加剧了它：因为LLM要先生成推理步骤，再给出答案，它可能会为了让推理步骤看起来“顺理成章”，编造一些不存在的事实或规则。

继续用导游机器人的例子：假设你给这个只会背2020年旅游手册的CoT版导游机器人，加上了一个示例——“问题：2020年10月1日故宫开放吗？推理步骤：1. 查2020年旅游手册，故宫全年开放，除了每周一（法定节假日除外）；2. 2020年10月1日是星期四，不是周一；3. 2020年10月1日是法定节假日（国庆节），即使是周一也会开放。最终答案：开放。”——然后游客问：“202X年9月30日23:00能约明天（202X年10月1日）的故宫门票吗？”——这个CoT版导游机器人可能会生成这样的假推理步骤：“1. 查2020年旅游手册，故宫门票提前10天0点放票，当天可预约至12:00；2. 202X年9月30日23:00距离10月1日12:00还有13小时，所以可以预约；3. 手册上没写国庆黄金周预约规则调整，所以默认适用日常规则。最终答案：可以预约。”——但实际上，202X年国庆黄金周故宫的预约规则是“提前7天20:00放票，当天不可预约”，而且9月30日20:00放10月7日的票，10月1日的票早就抢光了——这就是CoT版的幻觉梦魇。

更可怕的是，这种幻觉是**“有说服力的”：因为推理步骤看起来逻辑清晰，游客很可能会相信它，然后白白熬夜等票，或者第二天兴冲冲地跑到故宫却进不去——这在医疗、法律、金融等高风险领域**是绝对不能容忍的。

1.2 纯无理由试错RL智能体的“样本效率诅咒”与“可解释性缺失”

看完了纯静态推理LLM的天花板，我们再看看另一边的纯无理由试错RL智能体。

强化学习(RL)的核心思想是：让一个智能体(Agent) 在环境(Environment) 中不断试错(Action)，根据环境返回的奖励(Reward) 更新自己的策略(Policy)（也就是“在什么状态下采取什么行动”的规则），最终学会最大化长期累计奖励的策略——这就像教一只小狗学握手：你喊“握手”，小狗如果抬起爪子，你就给它一块肉（正奖励）；如果它不抬爪子，你就不给它肉，或者轻轻拍它一下（负奖励）；经过无数次试错，小狗就学会了“听到‘握手’就抬爪子”的策略。

纯无理由试错RL智能体在游戏（比如AlphaGo下围棋、AlphaStar打星际争霸2、OpenAI Five打Dota2）、机器人控制（比如波士顿动力的Atlas机器人跳舞、Spot机器人开门） 等**“规则明确、可大量模拟、奖励信号清晰”** 的任务上取得了惊人的成绩——AlphaGo甚至打败了世界围棋冠军李世石和柯洁。

但纯无理由试错RL智能体也有两个无法回避的致命缺陷：

1.2.1 样本效率诅咒：需要海量的试错样本才能学会一个简单的任务

纯无理由试错RL智能体的学习过程是**“盲目的”：它没有任何“先验知识”或“推理能力”，只能靠随机尝试不同的行动，然后根据奖励信号慢慢调整策略——这就像教一只没有见过任何门、不知道门是用来干什么的、甚至不知道爪子可以用来抓东西的小狗学开门：它可能会先在门旁边乱转、乱叫、啃门、撞门，经过成千上万次甚至上亿次的试错，才偶然发现“用爪子抓门把手然后往下拉”可以开门——这个过程需要消耗海量的计算资源和时间**，样本效率极低。

举个更贴近LLM的例子：假设你想教一个纯无理由试错的RL智能体（这个智能体的“眼睛”是浏览器API，“手”是浏览器操作工具，比如点击、输入、滚动）“帮用户查故宫博物院今天的开馆时间”——它可能会先随机打开百度，输入“今天吃什么”，然后点击第一个结果（一个美食博主的视频），看了5分钟（这在模拟环境中可能只需要几毫秒，但在真实环境中需要很长时间），发现没有奖励（因为我们的奖励函数是“找到并输出故宫博物院今天的开馆时间得+100分，每执行一个无关操作得-1分，超时30分钟得-1000分”），然后关掉视频，输入“今天的天气”，点击第一个结果（中央气象台的网站），又浪费了时间……经过几十万次甚至上百万次的试错，它才可能偶然输入“故宫博物院今天的开馆时间”，点击故宫博物院的官方网站，找到开馆时间——这个样本效率，在真实环境中是完全不可行的。

1.2.2 可解释性缺失：不知道智能体为什么要采取某个行动

纯无理由试错RL智能体的另一个致命缺陷是**“完全黑箱”：即使它学会了一个任务，你也不知道它“为什么要在某个状态下采取某个行动”**——它的策略是通过无数次试错“进化”出来的，没有任何“自然语言的推理过程”或“可解释的规则”。

继续用小狗学开门的例子：假设这只小狗终于学会了开门，你想知道它为什么要“用左爪子抓门把手的中间位置然后往下拉10厘米”——你只能问小狗，但小狗不会说话；你只能通过观察它的行为来猜测，但你永远无法确定它的“真实想法”——这就是可解释性缺失。

同样在高风险领域，比如医疗机器人给病人做手术：如果医疗机器人的手术刀突然偏了1厘米，你不知道它为什么要偏——是传感器坏了？还是策略有问题？还是故意的？这是绝对不能容忍的。

1.3 二元对立的困境：纯推理和纯行动，都不是AGI的正确道路

看到这里，你可能会发现：纯静态推理LLM和纯无理由试错RL智能体，就像**“盲人摸象”故事里的两个盲人**——一个摸到了大象的耳朵（纯推理），说“大象像一把扇子”；一个摸到了大象的腿（纯行动），说“大象像一根柱子”——他们都只看到了AGI的一部分，没有看到全貌。

纯静态推理LLM有“先验知识”和“推理能力”，但没有“环境交互能力”和“实时/动态/外部知识获取能力”；纯无理由试错RL智能体有“环境交互能力”和“实时/动态/外部知识获取能力”，但没有“先验知识”和“推理能力”——两者各有所长，也各有所短，单独使用任何一个，都无法实现“可解释、可校正、信息准确、能力泛化”的通用人工智能。

那有没有一种方法，能把纯静态推理LLM的“先验知识”和“推理能力”，和纯无理由试错RL智能体的“环境交互能力”和“实时/动态/外部知识获取能力” 结合起来，实现1+1>2的协同效应呢？

答案是肯定的——这就是我们今天要讲的ReAct模式（Reasoning + Acting，推理与行动协同模式）。

---

问题描述

在ReAct模式诞生之前，AI领域面临的核心问题可以总结为以下三个维度：

1.3.1 知识维度：如何让LLM突破“静态知识诅咒”，获取实时/动态/外部知识？

1.3.2 能力维度：如何让RL智能体突破“样本效率诅咒”，利用LLM的先验知识和推理能力快速学习？

1.3.3 可解释性维度：如何让AI的决策和行动过程“可解释、可校正”，避免“黑箱式操作”？

---

问题解决：ReAct模式的核心思路——“先想再做、做完再想、循环迭代”

ReAct模式的核心思路非常简单，也非常符合人类的思考和行动习惯——“先想再做、做完再想、循环迭代”：

当人类遇到一个复杂问题时，不会直接给出答案，也不会盲目试错——而是会：

1. 先想（Reasoning）：生成一个清晰的推理步骤，比如“我现在需要解决什么问题？我需要哪些信息才能解决这个问题？我可以通过什么方式获取这些信息？”；
2. 再做（Acting）：根据推理步骤，采取一个具体的行动，比如“打开故宫博物院的官方网站”、“在搜索框输入‘今天的开馆时间’”、“调用百度地图API查询故宫博物院的实时人流量”；
3. 做完再想（Observing + Re-reasoning）：观察行动带来的结果（比如“故宫博物院官方网站显示今天的开馆时间是8:30-17:00（16:00停止入场）”），然后根据观察结果重新推理——比如“好的，我已经获取了开馆时间，接下来我需要获取门票预约剩余量，我可以通过调用故宫博物院门票预约API获取”；
4. 循环迭代：重复“想-做-观察-再想”的过程，直到问题解决为止。

把人类的这个思考和行动习惯，用自然语言控制的方式，移植到大语言模型上，就得到了ReAct模式的Agent（智能体）：

ReAct Agent的工作流程可以用一个简单的公式表示：
$$\text{ReAct Agent}=\text{LLM}+\text{工具接口}+\text{记忆模块}+\text{推理-行动-观察循环}$$

继续用故宫门票的例子，看看ReAct Agent是怎么工作的：

用户输入（Question, Q）：现在（假设提问时间为202X年10月1日08:25）我在北京，突然想去故宫博物院参观，请问今天的开馆时间是多少？现在还能预约今天的门票吗？如果能，怎么预约？

ReAct Agent的记忆模块初始状态（Memory, M0）：

• 系统提示词（System Prompt）：你是一个专业的北京旅游ReAct智能助手，你可以使用以下工具：

  1. search_web(query)：通过百度搜索Web信息，返回前3个相关结果的标题和摘要；
  2. call_api(api_name, params)：调用指定的API获取信息，当前可用的API有：
     • palace_museum_opening_hours(date)：查询故宫博物院指定日期的开馆时间和停止入场时间，date格式为YYYY-MM-DD；
     • palace_museum_ticket_availability(date, time)：查询故宫博物院指定日期指定时间的门票预约剩余量，date格式为YYYY-MM-DD，time格式为HH:MM；
     • palace_museum_ticket_booking_url(date)：获取故宫博物院指定日期的门票预约官方URL；
  3. calculate(expression)：计算数学表达式，返回结果；
  4. get_current_datetime()：获取当前的日期和时间，返回格式为YYYY-MM-DD HH:MM:SS；

  你的工作流程是：

  1. 先生成一个清晰的推理步骤（标记为[Thought]）；
  2. 再根据推理步骤，选择一个合适的工具，生成工具调用指令（标记为[Action]），工具调用指令的格式必须是工具名(参数1=值1, 参数2=值2, ...)；
  3. 然后观察工具返回的结果（标记为[Observation]）；
  4. 重复步骤1-3，直到你有足够的信息回答用户的问题；
  5. 最后生成最终答案（标记为[Answer]）。

  注意：

  • 不要编造任何信息，所有信息必须来自工具返回的结果或你的先验知识（如果你的先验知识足够准确，不需要调用工具也可以直接回答，但如果涉及实时/动态/外部知识，必须调用工具）；
  • 推理步骤要清晰、简洁、符合逻辑；
  • 工具调用指令的格式必须正确，否则工具无法执行；
  • 最终答案要全面、准确、易懂。

ReAct Agent的推理-行动-观察循环（Step 1）：

• [Thought]：我现在需要解决用户的三个问题：1. 今天的开馆时间；2. 现在还能预约今天的门票吗；3. 如果能，怎么预约。首先，我需要知道“今天”的具体日期和“现在”的具体时间，因为用户说“突然想去”，而且涉及实时信息。我可以使用get_current_datetime()工具获取这些信息。
• [Action]：get_current_datetime()
• [Observation]：202X-10-01 08:25:30

ReAct Agent的记忆模块更新（M1 = M0 + Step 1的内容）

ReAct Agent的推理-行动-观察循环（Step 2）：

• [Thought]：好的，我已经获取了当前的日期和时间：202X-10-01 08:25:30。接下来，我需要解决第一个问题：今天的开馆时间。我可以使用palace_museum_opening_hours(date=202X-10-01)工具获取这些信息。
• [Action]：call_api(api_name=palace_museum_opening_hours, params={“date”: “202X-10-01”})
• [Observation]：故宫博物院202X-10-01的开馆时间为08:30-17:00，停止入场时间为16:00（注：国庆黄金周期间开放时间与旺季一致，无特殊调整）。

ReAct Agent的记忆模块更新（M2 = M1 + Step 2的内容）

ReAct Agent的推理-行动-观察循环（Step 3）：

• [Thought]：好的，我已经获取了第一个问题的答案：今天的开馆时间是08:30-17:00，停止入场时间是16:00。接下来，我需要解决第二个问题：现在（202X-10-01 08:25:30）还能预约今天的门票吗？我可以使用palace_museum_ticket_availability(date=202X-10-01, time=08:25)工具获取这些信息。
• [Action]：call_api(api_name=palace_museum_ticket_availability, params={“date”: “202X-10-01”, “time”: “08:25”})
• [Observation]：故宫博物院202X-10-01的门票预约剩余量为：成人票0张，学生票0张，老年票0张，儿童票0张（注：国庆黄金周期间故宫门票提前7天20:00放票，当天不可预约，所有门票已售罄）。

ReAct Agent的记忆模块更新（M3 = M2 + Step 3的内容）

ReAct Agent的推理-行动-观察循环（Step 4，循环结束）：

• [Thought]：好的，我已经获取了第二个问题的答案：现在（202X-10-01 08:25:30）不能预约今天的门票，因为所有门票已售罄，而且国庆黄金周期间当天不可预约。既然第二个问题的答案是“不能”，第三个问题“如果能，怎么预约”就不需要回答了。我现在有足够的信息回答用户的问题了。
• [Answer]：您好！根据当前的实时信息：
  1. 今天的开馆时间：故宫博物院202X-10-01的开馆时间为08:30-17:00，停止入场时间为16:00（国庆黄金周期间无特殊调整）；
  2. 门票预约情况：很遗憾，故宫博物院202X-10-01的所有门票（成人票、学生票、老年票、儿童票）已全部售罄，而且国庆黄金周期间门票提前7天20:00放票，当天不可预约；
  3. 建议：您可以提前预约明天（202X-10-02）或之后的门票，预约官方URL为：[调用palace_museum_ticket_booking_url(date=202X-10-02)获取的URL]（不过这里我们因为已经知道今天的票售罄，就不再额外调用工具了，您如果需要明天的预约URL，可以再告诉我）。

ReAct Agent的记忆模块最终状态（M4 = M3 + Step 4的内容）

看到这里，你可能会觉得：“哇，这个ReAct Agent太厉害了！它既不会编造信息，也不会盲目试错，推理过程清晰透明，行动结果准确可靠！”——没错，这就是ReAct模式的魅力所在。

---

边界与外延

在深入了解ReAct模式的核心原理之前，我们需要先明确它的边界与外延——也就是它能做什么、不能做什么、和其他类似模式的区别是什么。

1.4.1 边界：ReAct模式的适用范围和局限性

1.4.1.1 适用范围

ReAct模式适用于所有需要“推理+环境交互+外部知识获取”的复杂任务，具体包括但不限于：

• 信息检索与问答：比如查实时天气、股票价格、新闻、电商平台商品价格、科研论文信息；
• 工具使用与任务自动化：比如帮用户订机票/酒店/火车票、帮用户写邮件/报告/代码、帮用户整理文件/数据、帮用户操作浏览器/数据库/软件；
• 具身智能与机器人控制：比如让机器人帮用户开门、拿东西、做饭、打扫卫生；
• 游戏与策略制定：比如让AI打文字冒险游戏、策略游戏、实时对战游戏；
• 高风险领域的决策辅助：比如医疗诊断辅助、法律案件分析辅助、金融投资决策辅助（注意：只是辅助，不能代替人类做最终决策）。

1.4.1.2 局限性

ReAct模式虽然强大，但也不是万能的，它有以下几个局限性：

1. 依赖LLM的基础能力：ReAct模式的核心是LLM，如果LLM的自然语言理解能力、自然语言生成能力、推理能力、工具调用指令生成能力不强，ReAct Agent的表现也会很差——比如用一个小参数的LLM（比如GPT-2、LLaMA-7B）做ReAct Agent，它可能连工具调用指令的格式都生成不对；
2. 依赖工具的质量和数量：ReAct Agent的能力边界取决于它能使用的工具的质量和数量——如果工具的API不稳定、返回结果不准确、工具数量太少，ReAct Agent的表现也会很差；
3. 推理-行动-观察循环的效率问题：ReAct Agent的推理-行动-观察循环需要消耗一定的时间和计算资源——如果循环次数太多（比如几十次甚至上百次），ReAct Agent的响应速度会很慢，用户体验会很差；
4. 奖励信号设计的问题（如果结合RL的话）：虽然纯ReAct模式不需要RL（只需要Few-Shot提示词或Zero-Shot提示词），但如果要让ReAct Agent在更复杂的任务上表现更好，可能需要结合RL——这时候就会遇到RL的老问题：奖励信号设计的问题；
5. 安全与隐私问题：ReAct Agent可以调用外部工具、操作环境、获取外部信息——这就带来了安全与隐私问题：比如ReAct Agent可能会调用恶意工具、窃取用户的隐私信息、破坏环境（比如删除用户的文件、格式化用户的硬盘）。

1.4.2 外延：ReAct模式的衍生模式和与其他技术的结合

ReAct模式诞生之后，AI领域的研究者和工程师们对它进行了大量的改进和扩展，衍生出了很多衍生模式，也和很多其他技术（比如思维链(CoT)、自洽性(Self-Consistency)、检索增强生成(RAG)、强化学习(RL)、多模态大语言模型(MLLM)）结合起来，形成了更强大的范式。

1.4.2.1 衍生模式

ReAct模式的衍生模式主要包括以下几种：

1. ReAct + CoT（RCOT）：把ReAct模式和思维链(CoT)结合起来，让ReAct Agent在调用工具之前，生成更详细的思维链推理步骤——这能进一步提升ReAct Agent的准确率和可解释性；
2. ReAct + Self-Consistency（RSC）：把ReAct模式和自洽性(Self-Consistency)结合起来，让ReAct Agent生成多个不同的推理-行动-观察循环路径，然后选择最一致的最终答案——这能进一步提升ReAct Agent的准确率；
3. ReAct + RAG（RRAG）：把ReAct模式和检索增强生成(RAG)结合起来，让ReAct Agent在调用Web搜索工具或API工具之前，先从本地知识库中检索相关信息——这能减少工具调用的次数，提升响应速度，同时也能保护用户的隐私（因为本地知识库不需要调用外部工具）；
4. Tree of Thoughts + ReAct（ToT-ReAct）：把Tree of Thoughts（思维树）模式和ReAct结合起来，让ReAct Agent生成一个“推理-行动树”，而不是单一的“推理-行动-观察循环路径”，然后通过剪枝和搜索，找到最优的路径——这能进一步提升ReAct Agent在复杂任务上的表现；
5. Reflexion + ReAct（ReFlex）：把Reflexion（反思）模式和ReAct结合起来，让ReAct Agent在完成一个任务之后，生成一个“反思报告”，分析自己的成功和失败之处，然后把反思报告存入记忆模块，在下次遇到类似任务时参考——这能进一步提升ReAct Agent的泛化能力和学习能力。

1.4.2.2 与其他技术的结合

ReAct模式还可以和很多其他技术结合起来，形成更强大的系统：

1. 与多模态大语言模型(MLLM)结合：让ReAct Agent不仅能处理文本信息，还能处理图像、音频、视频等多模态信息——比如让ReAct Agent帮用户“拍一张照片，识别照片中的植物是什么，然后查一下这种植物的养护方法”；
2. 与强化学习(RL)结合：让ReAct Agent通过RL不断优化自己的推理-行动策略——比如让ReAct Agent在文字冒险游戏中不断试错，根据游戏返回的奖励（比如“找到宝藏得+100分，遇到怪物得-50分，超时得-1000分”）优化自己的推理-行动策略；
3. 与联邦学习(Federated Learning)结合：让多个ReAct Agent在不同的设备上（比如用户的手机、电脑、智能家居设备）共同学习，同时保护用户的隐私——因为联邦学习不需要把用户的数据上传到中央服务器；
4. 与区块链(Blockchain)结合：让ReAct Agent的推理-行动-观察循环过程记录在区块链上，实现“不可篡改、可追溯”——这在高风险领域（比如医疗、法律、金融）非常有用；
5. 与物联网(Internet of Things, IoT)结合：让ReAct Agent控制各种智能家居设备、工业设备、医疗设备——比如让ReAct Agent“根据当前的天气和室内温度，自动调整空调的温度和风速；根据用户的睡眠习惯，自动关闭灯光和电视；根据用户的健康数据，自动调整智能手表的监测频率”。

---

本章小结

在这一章中，我们首先穿越到ReAct论文发表前的2021-2022年初，了解了当时AI领域最火的两个方向——纯静态推理LLM和纯无理由试错RL智能体——各自的“天花板困境”：

• 纯静态推理LLM有“静态知识诅咒”（无法获取实时/动态/外部知识）和“幻觉梦魇”（推理过程不透明，容易生成虚假信息）；
• 纯无理由试错RL智能体有“样本效率诅咒”（需要海量的试错样本才能学会一个简单的任务）和“可解释性缺失”（不知道智能体为什么要采取某个行动）。

然后，我们提出了ReAct模式的核心思路——“先想再做、做完再想、循环迭代”，这完全符合人类的思考和行动习惯。

接着，我们用一个**“用户购买故宫门票遇到问题的ReAct智能助手全流程案例”**，直观地展示了ReAct Agent的工作流程。

最后，我们明确了ReAct模式的边界与外延：

• 边界：ReAct模式适用于所有需要“推理+环境交互+外部知识获取”的复杂任务，但也有依赖LLM的基础能力、依赖工具的质量和数量、推理-行动-观察循环的效率问题、奖励信号设计的问题（如果结合RL的话）、安全与隐私问题等局限性；
• 外延：ReAct模式有很多衍生模式（比如RCOT、RSC、RRAG、ToT-ReAct、ReFlex），也可以和很多其他技术（比如MLLM、RL、联邦学习、区块链、物联网）结合起来，形成更强大的范式。

在下一章中，我们将深入剖析ReAct模式的核心概念解析，包括：

• 什么是“推理(Reasoning)”？什么是“行动(Acting)”？什么是“观察(Observing)”？
• 这些概念之间的关系是什么？
• ReAct模式的概念结构与核心要素组成是什么？
• 我们还会用Mermaid架构图/流程图/ER图和markdown表格，直观地展示这些概念之间的关系。